本文详细介绍了深度学习的三个主要步骤：神经网络、模型评估和选择最优函数。神经网络由神经元组成，通过全连接前馈的方式传递信息。模型评估通过损失函数（如交叉熵）来衡量模型的性能。最后，通过梯度下降法选择最优函数和参数。反向传播在训练过程中用于计算权重的调整。深度学习的优势在于其能够处理复杂模式，但并非隐藏层越多越好，需要适配问题需求。
↑↑↑关注后"星标"Datawhale
每日干货 & 每月组队学习，不错过
Datawhale干货
作者：屈太国，湖南大学，Datawhale优秀学习者
本文来自李宏毅机器学习笔记（LeeML-Notes）组队学习，详细介绍了使用深度学习技术的三大主要步骤。教程地址：https://github.com/datawhalechina/leeml-notes
深度学习的三个步骤：
Step1：神经网络（Neural network）
Step2：模型评估（Goodness of function）
Step3：选择最优函数（Pick best function）
Step1：神经网络
神经网络是由很多单元连接而成，这些单元称为神经元。
神经网络类似于人类的神经细胞，电信号在神经元上传递，类似于数值在神经网络中传递的过程。
在这个神经网络里面，一个神经元就相当于一个逻辑回归函数，所以上图中有很多逻辑回归函数，其中每个逻辑回归都有自己的权重和自己的偏差，这些权重和偏差就是参数。
图中红框表示的就是神经元，多个神经元以不同的方式进行连接，就会构成不同结构神经网络。神经元的连接方式是由人工设计的。
神经元：神经元的结构如图所示
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
